Autonomous Navigation & SLAM with ROS 2 교육 과정

로보틱스는 인공지능(AI)의 한 분야로, 지능적이고 효율적인 기계의 프로그래밍 및 디자인에 대해 다루는 영역입니다.

이 강사는 AI의 기본적인 방법을 통해 로봇을 프로그래밍하고 만들기를 원하는 엔지니어를 대상으로 하는 온라인 또는 현장 강의입니다.

이 강의를 마친 후 참가자들은 다음을 수행할 수 있게 됩니다:

• 필터(칼만 및 파티클)을 구현하여 로봇이 환경 내의 이동 객체를 탐지할 수 있도록 합니다.
• 검색 알고리즘 및 모션 계획 구현.
• PID 제어를 구현하여 로봇의 환경 내 이동을 조절합니다.
• SLAM 알고리즘을 구현하여 로봇이 미지의 환경을 매핑할 수 있도록 합니다.

강의 형식

• 상호작용적인 강의 및 토론.
• 많은 연습 문제 및 실습.
• 라이브-랩 환경에서의 직접적인 구현.

강의 맞춤화 옵션

• 이 강의를 위한 맞춤형 교육을 요청하려면, 문의하여 안내를 받으시기 바랍니다.

이 강사는 직접 지도하는 라이브 교육과정 (온라인 또는 오프라인)에서, 참가자들은 원자력 기술 및 환경 시스템 분야에서 다양한 로봇을 프로그래밍하기 위한 다양한 기술, 프레임워크, 기법을 학습합니다.

이 6주 과정은 일주에 5일씩 진행되며, 하루에 4시간씩 강의, 토론, 그리고 라이브 랩 환경에서의 실습 로봇 개발로 구성됩니다. 참가자들은 실무에 적용할 수 있는 다양한 실제 프로젝트를 완료하여 습득한 지식을 연습합니다.

이 강의의 대상 하드웨어는 시뮬레이션 소프트웨어를 통해 3D로 시뮬레이션됩니다. 로봇을 프로그래밍하기 위해 ROS (Robot Operating System) 오픈 소스 프레임워크, C++ 및 Python이 사용됩니다.

이 교육을 마친 후, 참가자들은 다음을 할 수 있게 됩니다:

• 로봇 기술에서 사용되는 주요 개념을 이해합니다.
• 로봇 시스템에서 소프트웨어와 하드웨어 간의 상호작용을 이해하고 관리합니다.
• 로봇학의 기반이 되는 소프트웨어 구성 요소를 이해하고 구현합니다.
• 보기, 감지, 처리, 탐색, 그리고 음성으로 인간과 상호작용할 수 있는 시뮬레이션된 기계 로봇을 구축하고 운영합니다.
• 스마트 로봇을 구축하기 위해 적용 가능한 인공지능(머신러닝, 딥러닝 등)의 필요한 요소들을 이해합니다.
• 로봇이 주변 환경에서 움직이는 물체를 위치할 수 있도록 칼만 및 파티클 필터를 구현합니다.
• 검색 알고리즘과 운동 계획 구현.
• 환경 내에서 로봇의 움직임을 조절하기 위해 PID 제어를 구현합니다.
• 로봇이 알려지지 않은 환경을 맵핑할 수 있도록 SLAM 알고리즘을 구현합니다.
• 딥러닝을 통해 로봇이 복잡한 작업을 수행하는 능력을 확장합니다.
• 현실적인 시나리오에서 로봇을 테스트하고 문제 해결합니다.

이 강사는 온라인 또는 현장에서 직접 강의하는 실시간 교육입니다. 참가자들은 핵기술 및 환경 시스템 분야에서 사용되는 다양한 유형의 로봇을 프로그래밍하는 데 사용되는 다양한 기술, 프레임워크 및 기술을 학습합니다.

이 4주짜리 강의는 매주 5일 동안 진행되며, 하루에 4시간씩 강의, 토론 및 실습 랩 환경에서 로봇 개발을 포함합니다. 참가자들은 실제 프로젝트를 완료하여 습득한 지식을 실습합니다.

이 강의에서 사용할 하드웨어는 시뮬레이션 소프트웨어를 통해 3D로 시뮬레이션됩니다. 코드는 물리적 하드웨어(Arduino 또는 기타)에는 최종 배포 테스트를 위해 로드됩니다. 로봇을 프로그래밍하는 데 ROS(로봇 운영 시스템) 오픈 소스 프레임워크, C++ 및 Python이 사용됩니다.

이 교육을 마치면 참가자들은 다음을 할 수 있게 됩니다:

• 로봇 기술에서 사용되는 주요 개념을 이해합니다.
• 로봇 시스템에서 소프트웨어와 하드웨어 간의 상호작용을 이해하고 관리합니다.
• 로봇의 소프트웨어 구성 요소를 이해하고 구현합니다.
• 보이고, 느끼고, 처리하고, 탐색하고, 음성으로 사람들과 상호작용할 수 있는 시뮬레이션된 기계 로봇을 구축하고 운영합니다.
• 스마트 로봇을 구축하는 데 필요한 인공지능의 필수 요소를 이해합니다.(머신러닝, 딥러닝 등)
• 로봇이 환경에서 움직이는 객체를 찾도록 필터(칼만 및 입자)를 구현합니다.
• 탐색 알고리즘 및 모션 플래닝을 구현합니다.
• PID 제어를 구현하여 로봇의 환경 내에서 움직임을 조절합니다.
• 로봇이 알려지지 않은 환경을 매핑할 수 있도록 SLAM 알고리즘을 구현합니다.
• 로봇을 현실적인 시나리오에서 테스트하고 문제를 해결합니다.

OpenCV is an open-source computer vision library that enables real-time image processing, while deep learning frameworks such as TensorFlow provide the tools for intelligent perception and decision-making in robotic systems.

This instructor-led, live training (online or onsite) is aimed at intermediate-level robotics engineers, computer vision practitioners, and machine learning engineers who wish to apply computer vision and deep learning techniques for robotic perception and autonomy.

By the end of this training, participants will be able to:

• Implement computer vision pipelines using OpenCV.
• Integrate deep learning models for object detection and recognition.
• Use vision-based data for robotic control and navigation.
• Combine classical vision algorithms with deep neural networks.
• Deploy computer vision systems on embedded and robotic platforms.

Format of the Course

• Interactive lecture and discussion.
• Hands-on practice using OpenCV and TensorFlow.
• Live-lab implementation on simulated or physical robotic systems.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

Edge AI enables artificial intelligence models to run directly on embedded or resource-constrained devices, reducing latency and power consumption while increasing autonomy and privacy in robotic systems.

This instructor-led, live training (online or onsite) is aimed at intermediate-level embedded developers and robotics engineers who wish to implement machine learning inference and optimization techniques directly on robotic hardware using TinyML and edge AI frameworks.

By the end of this training, participants will be able to:

• Understand the fundamentals of TinyML and edge AI for robotics.
• Convert and deploy AI models for on-device inference.
• Optimize models for speed, size, and energy efficiency.
• Integrate edge AI systems into robotic control architectures.
• Evaluate performance and accuracy in real-world scenarios.

Format of the Course

• Interactive lecture and discussion.
• Hands-on practice using TinyML and edge AI toolchains.
• Practical exercises on embedded and robotic hardware platforms.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

Reinforcement learning (RL) is a machine learning paradigm where agents learn to make decisions by interacting with an environment. In robotics, RL enables autonomous systems to develop adaptive control and decision-making capabilities through experience and feedback.

This instructor-led, live training (online or onsite) is aimed at advanced-level machine learning engineers, robotics researchers, and developers who wish to design, implement, and deploy reinforcement learning algorithms in robotic applications.

By the end of this training, participants will be able to:

• Understand the principles and mathematics of reinforcement learning.
• Implement RL algorithms such as Q-learning, DDPG, and PPO.
• Integrate RL with robotic simulation environments using OpenAI Gym and ROS 2.
• Train robots to perform complex tasks autonomously through trial and error.
• Optimize training performance using deep learning frameworks like PyTorch.

Format of the Course

• Interactive lecture and discussion.
• Hands-on implementation using Python, PyTorch, and OpenAI Gym.
• Practical exercises in simulated or physical robotic environments.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.